[PYTHON] Présentation de Cloud Datalab

Cloud Datalab n'a pas été touché par le soleil, même s'il semble bon, mais [Google Cloud NEXT](https: //cloudnext.withgoogle) Conformément au calendrier de .com /), la version BETA est devenue GA le 8 mars 2017 et la v1.0 a été publiée. Était là.

Cela devrait être assez étonnant, mais il n'a pas encore reçu beaucoup d'attention, alors je vais essayer de transmettre petit à petit l'attrait de Datalab. (J'écrirai peut-être l'article dans environ 3 fois.) Tout d'abord, je vais vous donner un aperçu de Cloud Datalab.

Qu'est-ce que Cloud Datalab?

• Environnement d'analyse interactif pour l'analyse des données, la visualisation et l'apprentissage automatique sur GCP
• Puisqu'il est développé sur la base de Jupyter, qui est populaire auprès des analystes de données, c'est un outil intéressant pour les utilisateurs qui utilisent déjà Jupyter pour effectuer une transition en douceur.
• L'avantage de l'exécution sur GCP est qu'il est intégré à BigQuery, GCS et CloudML Engine, ce qui vous permet de toucher en toute transparence des données volumineuses. --Datalab lui-même est publié sur github en tant qu'image Docker en supposant qu'il fonctionnera sur GCE.

prix

• Il n'y a aucun coût particulier pour Datalab lui-même
• Cependant, comme Datalab est censé fonctionner sur GCE, vous serez facturé pour le GCE que vous utilisez.
• De plus, vous ne serez facturé que pour le coût des composants GCP. --BigQuery ou GCS
• De plus, par défaut, un disque est créé pour la persistance et les données sont également conservées dans GCS pour la sauvegarde, donc les coûts pour cette zone seront encourus par défaut.

Démarrez et ainsi de suite

C'est presque comme le [Quick Start] de Cloud Datalab (https://cloud.google.com/datalab/docs/quickstarts).

Installation

En supposant que le SDK Google Cloud est installé, obtenez une commande datalab supplémentaire

$ gcloud components install datalab

installer

Si vous configurez des projets et des zones, c'est facile car vous n'avez pas à ajouter d'options de commande. Comme mentionné ci-dessus, comme il fonctionne sur GCE, définissez les paramètres liés à GCE.

$ gcloud config set core/project ${PROJECT_ID}
$ gcloud config set compute/zone ${ZONE}

Lancer une instance pour Datalab et se connecter à Datalab

$ datalab create ${INSTANCE_NAME}

Cela lancera une instance pour Datalab, créera et configurera un joli réseau, lancera un navigateur et se connectera à Datalab. C'est facile.

C'est un écran que les personnes qui ont utilisé Jupyter peuvent comprendre ce qu'il faut faire.

se connecter

Connectez-vous avec votre compte depuis le navigateur. En effet, Datalab utilise un compte de service pour utiliser d'autres services GCP. C'est facile car cela vient de l'interface graphique.

Puis analysez comme vous le souhaitez

Si vous connaissez Jupyter, vous pouvez l'analyser à votre guise. Même si vous ne le connaissez pas, Nice README est inclus, donc si vous le suivez, comment utiliser notebook, BigQuery Et je pense que vous pouvez comprendre la coopération avec GCS. Pour le moment, c'est facile car vous pouvez voir la page ici lorsque vous lancez datalab.

Une fois terminé

L'avantage du cloud est que vous pouvez dire au revoir si vous en utilisez autant que vous le souhaitez. Disons au revoir.

$ datalab delete ${INSTANCE_NAME}

Il est également facile de dire au revoir. Cependant, si vous ne souhaitez plus être facturé car il s'agit simplement de supprimer l'instance, vous pouvez supprimer le disque par défaut (le contenu du notebook lui-même est monté ici) ou N'oubliez pas de supprimer le GCS de sauvegarde.

Sentiments divers

«C'est bien de pouvoir créer très facilement l'environnement Jupyter. ――Il semble préférable de s'intégrer à d'autres services cloud que d'exécuter Jupyter seul. ――Il semble qu'il y ait des mérites propres au cloud, il semble donc bon de creuser un peu plus profondément.

La prochaine fois, nous examinerons de plus près Datalab lui-même.